Anbefaler du anbefalingsmotorer?

I forretning er nøgleproblemet i en høstak en konstant udfordring. Anbefalingsmotorer er her for at hjælpe med at tackle denne udfordring.

I e-handel og detailhandel tilbyder du hundredvis eller tusindvis af produkter. Hvilket produkt er det rigtige for dine kunder?

I salg og marketing har du en stor mængde potentielle kunder i din pipeline. Dog har du kun en vis mængde timer om dagen. Så du står over for udfordringen med at afgøre, præcis hvor du skal fokusere din indsats.

Der er en specialiseret teknologi, der drives af AI og Big Data, som gør disse udfordringer meget lettere at håndtere, anbefalingsmotorer.

Hvad er anbefalingsmotorer?

På sin enkleste form sorterer en anbefalingsmotor gennem mange elementer og forudser det valg, der er mest relevant for brugeren. For forbrugere er Amazons produktanbefalingsmotor et velkendt eksempel. I underholdningsverdenen har Netflix (NFLX ) arbejdet hårdt for at udvikle deres motor. Netflix’ anbefalingsmotor har leveret bundlinje-fordele:

“[Netflix’] sofistikerede anbefalingssystem og personlige brugeroplevelse har tilladt dem at spare 1 milliard dollars om året fra tjenesteanulleringer.” – ROI på anbefalingsmotorer til marketing

Set fra slutbrugerens perspektiv er det ofte uklart, hvordan anbefalingsmotorer fungerer. Vi vil trække forhænget til side og forklare, hvordan de fungerer, startende med den vigtigste ingrediens: data.

Anbefalingsmotorer: Hvad data bruger de?

Data, du behøver til en anbefalingsmotor, afhænger af dit mål. Antag, at dit mål er at øge salget i en e-handelsvirksomhed. I så fald ville den mindst krævede data falde i to kategorier: et produktdatabase og slutbrugeradfærd. For at illustrere, hvordan dette fungerer, se på dette simple eksempel.

• Virksomhed: USB-tilbehørselskab. Virksomheden specialiserer sig i at sælge USB-tilbehør og produkter som kabler, USB-nøgler og hubber til forbrugere og virksomheder.
• Produktdata. For at holde den første anbefalingsmotor enkel, begrænser virksomheden den til 100 produkter.
• Brugerdata. I tilfældet af en onlinebutik vil brugerdata inkludere webanalyseinformation, e-mail-markedsføring og andre kilder. For eksempel kan du opdage, at 50% af kunder, der køber en ekstern harddisk, også køber USB-kabler.
• Anbefalingsoutput. I dette tilfælde kan din anbefalingsmotor generere en anbefaling (eller en rabatkode) til købere af harddiske for at opmuntre dem til at købe USB-kabler.

I praksis bruger de bedste anbefalingsmotorer langt mere data. Som en generel regel producerer anbefalingsmotorer bedre forretningsresultater, når de har en stor mængde data at arbejde med.

Hvordan bruger anbefalingsmotorer din data?

Mange anbefalingsmotorer bruger en håndfuld teknikker til at bearbejde din data.

Indholdsbaseret filtrering

Denne type anbefalingsalgoritme kombinerer brugerpræferencer og forsøger at anbefale lignende elementer. I dette tilfælde er motoren fokuseret på produktet og fremhæver relaterede elementer. Denne type anbefalingsmotor er relativt enkel at bygge. Det er et godt udgangspunkt for virksomheder med begrænsede data.

Samarbejdende filtrering

Har du nogensinde bedt en anden person om en anbefaling, før du gjorde et køb? Eller overvejet online-anmeldelser i din købsproces? Hvis det er tilfældet, har du oplevet samarbejdende filtrering. Mere avancerede anbefalingsmotorer analyserer brugertilbagemeldinger, vurderinger og anden bruger-genereret indhold for at producere relevante forslag. Denne type anbefalingsmotor-strategi er kraftfuld, fordi den udnytter social bevis.

Hybrid-anbefalingsmotorer

Hybrid-anbefalingsmotorer kombinerer to eller flere anbefalingsteknikker for at producere bedre resultater. Tilbage til e-handels-eksemplet ovenfor, lad os sige, at du har indsamlet brugertilbagemeldinger og vurderinger (f.eks. 1 til 5 stjerner) over det seneste år. Nu kan du bruge både indholdsbaseret filtrering og samarbejdende filtrering til at præsentere anbefalinger. At kombinere flere anbefalingsmotorer eller algoritmer med succes kræver som regel eksperimentering. Derfor er det bedst betragtet som en relativt avanceret strategi.

En anbefalingsmotor er kun succesfuld, hvis du føder den med højkvalitetsdata. Den kan heller ikke fungere effektivt, hvis du har fejl eller forældede oplysninger i din virksomhedsdatabase. Derfor skal du investere ressourcer i datakvalitet kontinuerligt.

Case-studier:

Hiring Automated: Kandidatvurdering

Der er mere end 50 ansøgere i gennemsnit per jobopslag, ifølge Jobvite-forskning. For HR-afdelinger og ledere skaber denne ansøgermængde en enorm mængde arbejde. For at simplificere processen implementerede Blue Orange en anbefalingsmotor for en Fortune 500-hedgefond. Dette HR-automatiseringsprojekt hjalp virksomheden med at rangere kandidater på en standardmæssig måde. Ved at bruge ti års ansøgerdata og CV’er har firmaet nu en sofistikeret vurderingsmodel til at finde kandidater, der passer godt.

Et hedgefond i New York City havde brug for at parse CV’er, der var inkonsistente og krævede OCR for at forbedre deres rekrutteringsproces. Selv den bedste OCR-parsing efterlader dig med beskidt og ustukt data. Så, når en kandidat bevæger sig gennem ansøgningsprocessen, bliver mennesker involveret. Tilføj til datamængden fri tekst-anmeldelser af kandidaten og både sproglige og personlige fordomme. Derudover er hver datakilde isoleret og giver begrænsede analytiske muligheder.

Tilgang: Efter at have vurderet flere virksomheders rekrutteringsprocesser har vi fundet tre konsistente muligheder for at systematisk forbedre rekrutteringsresultaterne ved hjælp af NLP-maskinlæring. Probleområderne er: korrekt strukturering af kandidat-CV-data, vurdering af jobtilpasning og reduktion af menneskelig rekrutteringsforudom. Med en ren og struktureret datamængde kunne vi udføre både sentimentanalyse på teksten og subjektivitetsdetektion for at reducere kandidatforudom i menneskelig vurdering.

Resultater: Ved hjælp af nøgleord-detectionsklassifikatorer, optisk tegnkendelse og cloud-baserede NLP-motorer kunne vi rense tekststreng og omdanne det til relationsdata. Med struktureret data leverede vi en hurtig, interaktiv og søgbar Business Analytics-dashboard i AWS QuickSight.

E-Handel: Zageno Medicinske Fornyelse

Et andet eksempel på anbefalingsmotorer, der implementeres i den virkelige verden, kommer fra Zageno. Zageno er en e-handelsvirksomhed, der gør for laboratorievidenskabsmænd, hvad Amazon (AMZN ) gør for resten af os. Forbeholdet er, at laboratorievidenskabsmænds behov er præcise, så forsyningerne, der købes til deres forskning, skal også være det. Citaterne nedenfor er fra vores interview med Zageno og fremhæver, hvordan de bruger anbefalingsmotorer til at levere de mest præcise forsyninger til laboratorievidenskabsmænd.

Q&A: Blue Orange Digital interviewer Zageno

Spørgsmål:
Hvordan har din virksomhed brugt en anbefalingsmotor, og hvilke resultater så du?

Svar:

Der er to eksempler på anbefalingsmotorer, som ZAGENO anvender til deres videnskabelige kunder. For at forklare disse følte vi, det bedste var at punktliste dem.

• ZAGENO’s Scientific Score:
  • ZAGENO’s Scientific Score er et omfattende produktratingsystem, specifikt udviklet til at evaluere forskningsprodukter. Det inkluderer flere aspekter af produktdata fra multiple kilder for at udstyre videnskabsmænd med en sofistikeret og upartisk produktvurdering til at træffe præcise købsbeslutninger.
  • Vi anvender avancerede maskinlæringsalgoritmer til at matche, gruppere og kategorisere millioner af produkter nøjagtigt. Den videnskabelige score tager hensyn til disse kategoriseringer, da hver produkts score beregnes i forhold til andre i samme kategori. Resultatet er et ratingsystem, som videnskabsmænd kan stole på – et, der er specifikt for både produktapplikation og produkttype.
  • Standardproduktvurderinger er nyttige til at evaluere produkter hurtigt, men er ofte fordomsfulde og upålidelige på grund af deres afhængighed af ukendte anmeldelser eller en enkelt metode (f.eks. publikationer). De giver også lidt detaljer om eksperimentel kontekst eller anvendelse. Den videnskabelige score anvender en videnskabelig metode til at objektivt og omfattende evaluere forskningsprodukter. Den kombinerer alle nødvendige og relevante produktinformationer i en enkelt 0-10-vurdering for at støtte vores kunder i at afgøre, hvilket produkt at købe og bruge til deres anvendelse – og sparere timer med produktforskning.
  • For at sikre, at ingen enkelt faktor dominerer, tilføjer vi grænseværdier og giver mere vægt til seneste bidrag. Den store mængde faktorer, vi tager i betragtning, eliminerer næsten alle muligheder for manipulation. Som resultat er vores score en objektiv måling af kvaliteten og mængden af tilgængelig produktinformation, som støtter vores kunders købsbeslutninger.
• Alternative Produkter:
  • Alternative produkter defineres af samme værdier for nøgleattributter; nøgleattributter defineres for hver kategori for at tage hensyn til specifikke produktkarakteristika.
  • Vi arbejder på at øge den underliggende data og attributter og forbedre algoritmen for at forbedre forslagene
  • Alternativt produktsuggestionsformål er at hjælpe både videnskabsmænd og indkøbere med at overveje og evaluere potentielle produkter, de måske ikke havde overvejet/kendt til.
  • Alternative produkter defineres udelukkende af produktkarakteristika og uafhængigt af leverandører, mærker eller andre kommercielle data

Anbefaler du anbefalingsmotorer?

“Ja, men sikr dig, at du bruger den rigtige data til at basere din anbefaling på både kvalitet og kvantitet, der reflekterer brugernes forventninger. Skab gennemsigtighed, fordi ingen, især videnskabsmænd, vil stole på eller stole på en sort kasse. Del med dine brugere, hvilken information der bruges, hvordan den vægtes, og fortsæt med at lære, så du kan forbedre kontinuerligt. Til sidst fuldfør cirklen ved at tage den brugerfeedback, du har indsamlet, og bringe den tilbage i systemet.” – Zageno

Kraften af anbefalingsmotorer har aldrig været større. Som vist af giganter som Amazon og Netflix kan anbefalingsmotorer være direkte ansvarlige for øgede indtægter og kundetilfredshedsrater. Virksomheder som Zageno viser, at du ikke behøver at være en kæmpevirksomhed for at udnytte kraften af anbefalingsmotorer. Fordelene ved anbefalingsmotorer spænder over mange brancher, fra e-handel til HR.

Den hurtige måde at bringe anbefalingsmotorer til din virksomhed

At udvikle en anbefalingsmotor kræver dataekspertise. Din interne IT-afdeling kan måske ikke have kapaciteten til at bygge dette. Hvis du vil have kundetilfredsheds- og effektivitetsfordele af anbefalingsmotorer, behøver du ikke at vente, til IT bliver mindre beskæftiget. Drop os en linje og lad os vide. Blue Orange Digitals datavidenskabsteam er glade for at gøre anbefalingsmotorer til at fungere for din fordel også!

Hovedbillede kilde: Canva